Future Climate of Colombo Downscaled with SDSM-Neural Network
Notice bibliographique
Résumé
The Global Climate Model (GCM) run at a coarse spatial resolution cannot be directly used for climate impact studies. Downscaling is required to extract the sub-grid and local scale information. This paper investigates if the artificial neural network (ANN) is better than the widely-used regression-based statistical downscaling model (SDSM) for downscaling climate for a site in Colombo, Sri Lanka. Based on seasonal and annual model biases and the root mean squared error (RMSE), the ANN performed better than the SDSM for precipitation. This paper proposes a novel methodology for improving climate predictions by combining SDSM with neural networks. This method will allow a user to apply SDSM with a neural network model for higher skills in downscaling. The study uses the Canadian Earth System Model (CanESM2) of the IPCC Fifth Assessment Report, reanalysis from the National Center for Environmental Prediction (NCEP), and the Asian Precipitation Highly Resolved Observational Data Integration towards Evaluation of Water Resources (APHRODITE) project data as the observation. SDSM and the focused time-delayed neural network (TDNN) models are used for the downscaling. The projected annual increase for Representative Concentration Pathway (RCP) is 8.5; the average temperature is 2.83 °C (SDSM) and 3.03 °C (TDNN), and rainfall is 33% (SDSM) and 63% (TDNN) for 2080’s.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».